Den här frågan har redan ett svar här. Jag har 2 dataset i Matlab som jag behöver plotta mot varandra - en på xaxis och en på yaxis Uppgifterna för varje uppsättning samlades in med en annan metod så att samplingsfrekvensen är signifikant annorlunda och tills jag inte har samma antal datapunkter i båda uppsättningarna, kan jag inte plotta en mot den andra. Det är ganska enkelt att nedsamla data i Matlab med hjälp av downsample-funktionen Matlab. Provtagningsfrekvensen för A är 1 5s och samplingshastigheten för B är 0 1s Jag har lyckats använda downsample som downsample B, 15,10 för att få det att starta samtidigt -3s vilket betyder något i mina data så jag behöver få den att börja vid den tiden och vara på provprovtagningsfrekvensen på 1 5. Nu undrade jag emellertid om det fanns en metod som gjorde att jag kunde ta medeltalet av de 15 poängen istället för att plocka en poäng var 15: e poängen, så har jag använt den bara plockar varje 15: e punkt Jag skulle dock vilja att den genomsnittliga 1 5 poäng för mig istället Finns det ett sätt att göra detta. Jag skrev en för loop för en enkel mindre vektor för att se om jag kunde göra det. För A 1 2 3 4 Jag skulle vilja kondensera data så att A endast har 2 poster , så att den är genomsnittlig A 1 och A 2 och sedan A 3 och A 4. Detta fungerar dock inte som jag vill ha det eftersom jag inte vill att den ska vara genomsnittlig A 2 och A 3 Jag vill att den ska ta den första 2 poster, genomsnittliga dem, sedan nästa 2 poster, sedan genomsnittliga dem så on. Can anybody help. asked Jan 8 15 på 10 42.markerad som duplikat av Shai matlab Användare med matlab-märket kan enkelthandigt stänga matlabfrågor som duplikat Och återuppta dem efter behov den 8 jan 15 vid 15 02. Den här frågan har ställts förut och har redan ett svar Om de svaren inte helt adresserar din fråga, fråga en ny fråga. Åh ja Tyvärr, jag försökte leta efter befintliga svarade frågor jag tycker att mina sökord var annorlunda än titeln men Maheen Siddiqui 8 jan 15 på 10 49.Upsampling Downsampling och Discrete-time Mo Dulering. Målet med detta laboratorium är att fördjupa elevers förståelse av principerna för diskret tidsmodulation, demodulering, uppsampling och down sampling. Upsampling och Downsampling. In denna del av labbet kommer du att experimentera med upp och ner provtagning med en faktor av 3. Först, ladda ner filen och skriv lasten h vid Matlab-prompten. Detta laddar en variabel h till Matlab-arbetsytan. Starta Simulink och bygg upp och ner samplingsmodeller. Ta reda på att nedprovtagning kräver två processblock 1 modulering med periodisk impuls träna och 2 ta bort nollproverna. Ett enkelt sätt att modulera av sekvensen är att definiera sekvensen i Matlab-arbetsytan och sedan ta den in i modellen med hjälp av ett signal från arbetsyta-blocket. Här är en kod som ska beaktas. M 3 Faktor för uppåt och nollprovtagning N längd hp-neros N, 1 Definiera en vektor av alla nollor p 1 MN 1 Ställ in varje tredje prov till ett. Signaloperationsblokbiblioteket i DSP Blockset-biblioteket innehåller ett nedblocksblock som tar bort Nollprover Det ser ut så här. Upsampling består av två operationer 1 sätter in nollor och 2 lågpassfiltrering för att ta bort bilder. Detta Signal Operations Block Library i DSP Blockset Library innehåller ett Upsample block som sätter in nollor. Det ser ut så här. Du vet redan om att utforma lågpassfilter genom att använda Matlab remez-funktionen. Följande är ett exempel Simulink-modell Den övre grenen gör undersampling och den nedre grenen gör provtagning. Notera Vid upp och ner sampling, var försiktig med att ställa in provhastigheterna i varje blockera När det är tillgängligt, ställa in provtiden i filterblocken till -1 Då kommer filtren att arva sina provtider från föregående block. Annars måste du ställa in provtiderna explicit. In denna modell har några block till Signal To Workspace lagts till För att fånga olika signaler. I dialogrutan Simuleringsparametrar ställer du in starttiden till 0 och stopptiden till N-1 där N är längden på ingångssignalen h. Ange även T ype till Fixedstep. Run simuleringen rädda spektra och tidsdomän sekvenser av de tre signalerna h, hpd, hdown Skriv en förklaring av vad du ser Gör de två processblock som används för nedprovtagningsfunktionen som väntat Vänd diagrammen som de visas nedan med din skrivning. När är spektra - och tidsdomän-sekvenserna de första få proverna som endast beräknas med hjälp av Simulink-modellen överstiger spektra och tidsdomän-sekvenser för de tre signalerna h, hpu, hup Skriv en förklaring av vad du ser Gör de två bearbetningsblocken som används för uppsamlingsfunktionen som förväntat Vänd diagrammen som de som visas nedan med din skrivning. Förklara hur du utformade lågpassfiltret för uppsampling Vad var kanterna på övergångsbandet Vad var förstärkningen av filtret. Nedan är spektra - och tidsdomän-sekvenserna beräknade de första få proverna endast med hjälp av Simulink-modellen ovan. Som visas ovan går den uppsamlade tidsdomänföljden igenom proven av de ursprungliga signalerna. Detta uppnås u Sjunger en vinst på 3 i lågpassfiltret Du kan se förstärkningen av tre i frekvensdomänen Observera att lågpassfiltret kommer att orsaka en fördröjning i uppsamlad signalreläktiv mot ursprungssignalen I bilden ovan har förseningen varit removed. Discrete-time Modulation and Demodulation. Ladda ner filen Alla multimedia-utrustade datorer med standardprogramvara ska kunna spela den här ljudfilen. Försök igen. Du känner igen vad kvinnan läser. Du kan läsa wav-data i Matlab genom att skriva. Detta laddar tre variabler in i dig Matlab-arbetsytan y är ljuddata, fs är provfrekvensen 11025 i detta fall och nbits är antalet bitar som används för att representera varje prov i y. Spektrumet av y är som visas nedan. Om du kan se, y innehåller signifikant frekvensinnehåll hela vägen ut till 0 5 diskret-tidsfrekvens som motsvarar 11025 2 Hz kontinuerlig tidsfrekvens halva samplingsfrekvensen. Bygg en Simulink-modell för att amplitudmodulera y på en ko-sinusformig bärare med hjälp av en bärare Frekvensen av 0 2 diskret tidsfrekvens och sedan utföra synkron demodulation och nedsampling för att återställa spektret till sin ursprungliga form. För att undvika aliasing måste y sammankopplas före modulering av det. Upprätta det i diskret tid, begränsningen på bäraren Frekvensen är. Där dessa frekvenser är diskreta tidsf-krav i radenheter. Om du hellre vill använda enheter som överensstämmer med hur vi genererar våra diagram, dividerar du ojämnheten ovan med en faktor 2 pi som leder till följande begränsning på bärarfrekvensen. Använd en uppsamlingsfaktor på 3. Vad är den högsta frekvensen mellan -0 5 och 0 5 efter uppsampling med 3. Vad är den högsta frekvensen mellan -0 5 och 0 5 i den modulerade signalen. Använd uppsampling med 3 undvik aliasing i den modulerade signalen. De två stegen i synkron demodulering är 1 modulering multiplicera med bäraren och 2 lågpassfiltrering för att ta bort dubbelfrekvenskomponenterna. Vad är den högsta frekvensen efter modulatorn jonsteg men före lågpassfiltrering uppträder aliasing. Vad är övergångsbandets kanter och förstärkningen av lågpassfiltret som du använde för demodulation. Den demodulerade och nedsamplade signalen låter som den ursprungliga signalen. Förresten, Om du vill skriva en signal år ut till en wav-fil för att lyssna på den skriver du följande i Matlab-prompten. Skriv in dina svar på ovanstående frågor och figurer som de som visar din modell och spektra. Ett exempel av vad spektra ser ut på olika punkter framgår längst ner på denna sida. En simuleringsmodell av det kompletta systemet kan se ut så här. Spektra av flera av mellansignalerna ser ut så här. Kopyright 2008, av attributet Attribut författare Cite Resursadministratör 2006, 28 juni Upsampling Downsampling och Discrete-time Modulation Hämtad 07 januari 2011, från Free Online Course Materials USU OpenCourseWare webbplats Detta arbete är licensierat enligt en Creative Commons License. As others Har nämnt, bör du överväga ett IIR oändligt impulssvarningsfilter i stället för det FIR-finitiva impulsresponsfiltret du använder nu Det finns mer till det, men vid första anblicken implementeras FIR-filter som uttryckliga omvälvningar och IIR-filter med ekvationer. Den speciella IIR-filmen Filter jag använder mycket i mikrokontroller är ett enkeltpoligt lågpassfilter Detta är den digitala motsvarigheten till ett enkelt RC-analogfilter För de flesta applikationer kommer dessa att ha bättre egenskaper än det boxfilter som du använder De flesta användningarna av ett lådfilter som jag har uppstått är en följd av att någon inte uppmärksammar sig i den digitala signalbehandlingsklassen, inte som ett resultat av att de behöver sina speciella egenskaper. Om du bara vill dämpa högfrekvenser som du vet är buller, är ett enkelspårigt lågpassfilter det bästa sättet. att implementera en digitalt i en mikrokontroller är vanligtvis. FILT - FILT FF NEW - FILT. FILT är ett stycke av kvarstående tillstånd Detta är den enda beständiga variabeln yo du behöver beräkna det här filtret NYTT är det nya värdet som filtret uppdateras med denna iteration. FF är filterfraktionen som justerar filterets tyngd. Se på denna algoritm och se till att för FF 0 är filtret oändligt tungt eftersom utgången Ändras aldrig För FF 1 är det verkligen inget filter alls eftersom utmatningen bara följer ingången. Användbara värden är emellan På små system väljer du FF att vara 1 2 N så att multipliceringen med FF kan utföras som en rätt växling genom N-bitar Exempelvis kan FF vara 1 16 och multiplicera med FF därför ett rätt skift på 4 bitar. Annars behöver detta filter bara en subtrahera och en läggas till, även om siffrorna vanligtvis behöver vara bredare än ingångsvärdet mer med numerisk precision i En separat sektion nedan. Jag brukar ta AD-avläsningar betydligt snabbare än de behövs och tillämpa två av dessa filter kaskadade Detta är den digitala ekvivalenten av två RC-filter i serie och dämpas med 12 dB oktav över rullningsfrekvensen Men för AD-avläsningar är det vanligtvis mer relevant att titta på filtret i tidsdomänen genom att överväga sitt stegsvar. Detta berättar hur snabbt ditt system kommer att se en förändring när den sak du mäter förändringar. För att underlätta utformningen av dessa filter som endast Betyder att du väljer FF och bestämmer hur många av dem som ska kaskad använder jag mitt program FILTBITS Du anger antalet växlingsbitar för varje FF i den kaskadade serien av filter och det beräknar stegsvaret och andra värden. Jag kör vanligtvis det här via min Wrapper script PLOTFILT Detta kör FILTBITS, som gör en CSV-fil, sedan plottar CSV-filen Till exempel här är resultatet av PLOTFILT 4 4.De två parametrarna till PLOTFILT betyder att det kommer att finnas två filter kaskad av den ovan beskrivna typen. Värdena på 4 indikerar antalet skiftbitar för att inse multipliceringen med FF De två FF-värdena är därför 1 16 i det här fallet. Det röda spåret är enhetens stegsvar och är det viktigaste att titta på. Detta säger till exempel t hatt om ingången ändras omedelbart kommer utmatningen av det kombinerade filtret att lösa sig till 90 av det nya värdet i 60 iterationer. Om du bryr dig om 95 avvecklingstid måste du vänta på 73 iterationer och för 50 avvecklingstid bara 26 iterationer. grönt spår visar dig utsignalen från en enda full amplitude spike Detta ger dig en uppfattning om slumpmässigt brusundertryck Det verkar som om inget enda prov kommer att orsaka mer än en 2 5 förändring i utgången. Det blå spåret är att ge en subjektiv känsla av Vad det här filtret gör med vitt brus Detta är inte ett strikt test eftersom det inte finns någon garanti för vad exakt innehållet i slumpmässiga siffror valts som den vita brusinmatningen för denna körning av PLOTFILT Det är bara för att ge dig en grov känsla av hur mycket det kommer att bli squashed och hur smidigt det är. PLOTFILT, kanske FILTBITS, och massor av andra användbara saker, särskilt för PIC-firmwareutveckling finns tillgänglig i programvarulicens för PIC Development Tools på min nedladdningar av programvaran. Numerisk precision. Jag ser från kommentarerna och nu ett nytt svar att det finns intresse att diskutera antalet bitar som behövs för att implementera detta filter Observera att multiplikationen med FF kommer att skapa logg 2 FF nya bitar under binärpunkten På små system, FF Är vanligtvis valt att vara 1 2 N så att denna multiplicering faktiskt realiseras med en rättväxling av N bitar. FILT är därför vanligtvis ett fastpunkts heltal Observera att detta inte ändrar någon av matematiken från processorns synvinkel. Till exempel , om du filtrerar 10 bitars AD-avläsningar och N 4 FF 1 16, behöver du 4 fraktion bitar under 10 bitars heltal AD-läsningar. En av processorerna gör du 16 bitars heltalstransaktioner på grund av 10 bitars AD-avläsningar. I detta fall kan du fortfarande göra exakt samma 16 bitars heltalsoperationer, men börja med AD-läsningarna vänster förskjutna med 4 bitar. Processorn känner inte skillnaden och behöver inte. Att göra matte på hela 16 bitars heltal fungerar om du anser dem att vara 12 4 fast p oint eller sann 16 bit heltal 16 0 fixpunkt. I allmänhet måste du lägga till N bitar varje filterpole om du inte vill lägga till ljud på grund av den numeriska representationen. I exemplet ovan måste det andra filtret av två ha 10 4 4 18 bitar för att inte förlora information I praktiken på en 8-bitars maskin betyder det att du använder 24-bitars värden. Tekniskt bara skulle den andra polen behöva det bredare värdet, men för enkelhetsgraden för firmware brukar jag använda samma representation och därigenom Samma kod för alla poler i ett filter. Normalt skriver jag en subrutin eller ett makro för att utföra en filterpoleoperation och applicera sedan den på varje pol Om en subrutin eller ett makro beror på huruvida cykler eller programminne är viktigare för det specifika projektet Hur som helst använder jag något skrapläge för att skicka NEW till subrutinen makro, som uppdaterar FILT, men laddar också in i samma skrapstat NYHET var i Detta gör det enkelt att tillämpa flera poler eftersom den uppdaterade FILT av en pol är NEW av Nästa När ett subrutin är det användbart att få en pekare punkt till FILT på vägen in, som uppdateras till strax efter FILT på vägen ut Således fungerar subrutinen automatiskt på efter varandra följande filter i minnet om det kallas flera gånger Med ett makro Du behöver inte en pekare eftersom du skickar in adressen för att fungera på varje iteration. Code Examples. Here är ett exempel på ett makro som beskrivits ovan för en PIC 18. Och här är ett liknande makro för en PIC 24 eller dsPIC 30 eller 33.But dessa exempel implementeras som makron med min PIC assembler preprocessor som är mer kapabel än någon av de inbyggda makroanläggningarna. clabacchio Ett annat problem som jag borde ha nämnt är implementering av fast programvara. Du kan skriva en enkelpolig lågpassfilter subrutin en gång och sedan applicera den flera gånger. Faktum är att jag vanligtvis skriver en sådan subrutin för att peka i minnet till filtertillståndet, sedan ha det förskott Pekaren så att den kan kallas i följd lätt för att realisera flera poliga filter Olin Lathrop Apr 20 12 på 15 03.1 Tack så mycket för dina svar - alla bestämde jag för att använda det här IIR-filtret, men det här filtret används inte som ett Standard LowPass-filter eftersom jag behöver genomsnittliga räknevärden och jämför dem för att upptäcka ändringar i en viss räckvidd eftersom de här värdena har mycket olika dimensioner beroende på maskinvara jag ville ta ett genomsnitt för att kunna reagera på dessa hårdvaror specifika ändringar automatiskt senselen 21 maj 12 på 12 06. Om du kan leva med begränsningen av en kraft av två antal objekt i genomsnitt dvs 2,4,8,16,32 etc så kan delningen enkelt och effektivt ske på en Lågpresterande mikro med ingen dedikerad delning eftersom det kan ske som en bitskift. Varje växlingsrätt är en kraft av två. OP-enheten trodde att han hade två problem, delade i en PIC16 och minne för hans ringbuffert. Detta svar visar att delningen Det är inte svårt Visserligen behandlar det inte minnesproblemet, men SE-systemet tillåter partiella svar, och användarna kan ta något från varje svar för sig själva, eller till och med redigera och kombinera andra svar. Eftersom några av de andra svaren kräver en delning, är likaledes ofullständiga eftersom de inte visar hur man effektivt kan uppnå detta på en PIC16 Martin 20 april 12 på 13 01. Det finns ett svar på ett riktigt glidande medelfilter aka boxcar filter med mindre minne krav, om du inte har något att tänka på. Kallas ett kaskadintegrator-comb filter CIC Tanken är att du har en integrator som du tar skillnader över en tidsperiod, och den viktigaste minnesbesparande enheten är att genom downsampling behöver du inte lagra eve Ry-värdet på integratorn Det kan implementeras med följande pseudokod. Din effektiva glidande medellängd är decimationFactor stateize men du behöver bara behålla statusprover självklart. Du kan självklart få bättre prestanda om din stateize och decimationFactor är krafter på 2, så att divisions - och återstående operatörer ersättas av skift och mask-ands. Postscript Jag håller med Olin om att du alltid bör överväga enkla IIR-filter före ett glidande medelfilter Om du inte behöver frekvens-nollarna hos ett boxcarfilter, en 1-polig Eller 2-poligt lågpassfilter kommer antagligen att fungera bra. Om du filtrerar i syfte att decimera med en högprovsränta inmatning och med medelvärdet för användning med en lågprocess, då ett CIC-filter Kan vara precis vad du letar efter speciellt om du kan använda stateize 1 och undvika ringbufferten helt och hållet med bara ett enda tidigare integratorvärde. Det finns en djupgående analys av matematiken bakom användandet av de första orden er IIR-filter som Olin Lathrop redan har beskrivit på Digital Signal Processing-stackutbytet innehåller massor av vackra bilder Ekvationen för detta IIR-filter är. Detta kan implementeras med hjälp av heltalserier och ingen delning med följande kod kan behöva lite felsökning som jag Skrivte från minnet. Detta filter approximerar ett glidande medelvärde av de sista K-proven genom att ställa in värdet av alfa till 1 K Gör det här i föregående kod genom att definiera BITS till LOG2 K, dvs för K 16 set BITS till 4, för K 4 sätta BITS till 2 osv. Jag ska verifiera koden som anges här så snart jag får en ändring och rediger detta svar om det behövs. Svarade 23 juni 12 kl 04 04. Här är ett poligt lågpassfilter glidande medelvärde med Cutoff frekvens CutoffFrequency Mycket enkel, mycket snabb, fungerar bra och nästan inget minne överhead. Notera Alla variabler har räckvidd bortom filterfunktionen, utom det som passerade i newInput. Note Detta är ett enda stegsfilter Flera steg kan kaskadas tillsammans för att öka Skärpa av Filtret Om du använder mer än ett steg måste du justera DecayFactor som relaterar till Cutoff-Frequency för att kompensera. Och självklart allt du behöver är de två linjerna placerade någonstans, de behöver inte egen funktion. Detta filter har en uppstartstid innan det rörliga genomsnittet representerar det för ingångssignalen Om du behöver kringgå den här uppstartstiden kan du bara initiera MovingAverage till det första värdet av newInput istället för 0, och hoppas att den första newInput inte är en outlier. CutoffFrequency SampleRate har ett intervall mellan 0 och 0 5 DecayFactor är ett värde mellan 0 och 1, vanligen nära 1.Single-precision floats är tillräckligt bra för de flesta saker, jag föredrar bara dubbelar. Om du behöver hålla fast med heltal kan du konvertera DecayFactor och Amplitude Factor till fraktionella heltal, där täljaren lagras som heltalet och nämnaren är ett heltalseffekt på 2 så att du kan bitskiftas till höger som nämnaren i stället för att dela upp under filterslingan För Exempel om DecayFactor 0 99, och du vill använda heltal, kan du ställa DecayFactor 0 99 65536 64881 och sedan när du multiplicerar med DecayFactor i din filterslinga, skiftar du bara resultatet 16. För mer information om detta, en utmärkt bok som S online, kapitel 19 om rekursiva filter. PS För det Moving Average-paradigmet, kan ett annat sätt att ställa in DecayFactor och AmplitudeFactor som kan vara mer relevant för dina behov, låt oss säga att du vill ha föregående, ca 6 poster i genomsnitt tog Eter, gör det diskret, du lägger till 6 föremål och delas med 6, så du kan ställa in AmplitudeFactor till 1 6 och DecayFactor till 1 0 - AmplitudeFactor. answered 14 maj 12 på 22 55. Alla andra har kommenterat noggrant på verktyget Av IIR vs FIR, och på power-of-two-division Jag vill bara ge några detaljer om genomförandet Nedan fungerar det bra på små mikrokontroller utan FPU Det finns ingen multiplicering, och om du håller N en kraft av två delar hela divisionen Är encyklisk bitskiftning. Baskisk FIR-ringspuffbuffert håller en löpbuffert med de sista N-värdena och ett löpande SUM av alla värden i bufferten Varje gång ett nytt prov kommer in, subtrahera det äldsta värdet i bufferten från SUM , Ersätt det med det nya provet, lägg till det nya provet till SUM och mata ut SUM N. Modified IIR-ringbufferten, fortsätt SUM av de sista N-värdena Varje gång ett nytt prov kommer in, lägg till SUM-SUM N, lägg till det nya Prov och output SUM N. answered 28 aug 13 på 13 45. Om jag läser dig rätt beskriver du en första order IIR filtrera det värde du subtraherar är det t äldsta värdet som faller ut, men istället är det genomsnittet av tidigare värden Första ordningens IIR-filter kan säkert vara användbart men jag är inte säker på vad du menar när du föreslår att utgången är samma för alla periodiska signaler Vid en provkvot på 10 kHz matas en 100 Hz kvadratvåg i ett 20-stegs filter med en signal som stiger jämnt för 20 prover, sitter högt för 30, sjunker jämnt för 20 prover och sitter lågt för 30 En första ordning IIR filter supercat aug 28 13 vid 15 31. kommer att ge en våg som kraftigt börjar stiga och gradvis nivåer nära men inte vid ingångens maximala nivå, börjar sedan kraftigt falla och gradvis nivåer av nära men inte vid ingången minimum Mycket annorlunda beteende supercat Aug 28 13 på 15 32. Ett problem är att ett enkelt glidande medel kan eller inte kan vara användbart Med ett IIR-filter kan du få ett fint filter med relativt få beräkningar. Den FIR du beskriver kan bara ge dig en rektangel i tid - en sync i Freq - och du kan inte hantera sidloberna Det kan vara väl värt att kasta in ett fåtal heltal multipliceras för att göra det till en fin symmetrisk avstämningsbar FIR om du kan spara klockan ticks Scott Seidman Aug 29 13 på 13 50. ScottSeidman Nej behöver multipliceras om man helt enkelt har varje steg i FIR-enheten antingen mata in medelvärdet av inmatningen till det aktuella läget och dess tidigare lagrade värde och lagra sedan inmatningen om man har numeriskt område, man kan använda summan snarare än genomsnittet Oavsett om det S bättre än ett lådfilter beror på applikationen stegresponsen hos ett lådfilter med en total fördröjning på 1ms, till exempel, kommer att ha en otäck d2 dt spik när ingången ändras och igen 1ms senare men kommer att ha det minsta möjliga d dt för ett filter med totalt 1ms fördröjning supercat aug 29 13 på 15 25.As mikeselektronik sagt, om du verkligen behöver minska dina minnesbehov, och du tänker inte på att ditt impulsrespons är en exponentiell istället för en rektangulär puls, jag skulle gå för en exponentiell rörlig ave raser filter Jag använder dem i stor utsträckning Med den typen av filter behöver du inte någon buffert. Du behöver inte lagra N tidigare prover. Bara en Så, dina minneskrav skärs med en faktor N. Även du behöver inte någon division för det Endast multiplikationer Om du har tillgång till flytande punkträkning, använd flytande punktmultiplikationer Annars gör vi multipelantal och ändringar till höger Vi är dock 2012 och jag rekommenderar dig att använda kompilatorer och MCU som tillåter dig För att arbeta med flytande punkter. Förutom att vara mer minneseffektivt och snabbare behöver du inte uppdatera objekt i någon cirkulär buffert. Jag skulle säga att det också är mer naturligt eftersom ett exponentiellt impulsrespons matchar bättre hur naturen beter sig, i de flesta fall. ansvarad 20 april 12 på 9 59. Ett problem med IIR-filtret som nästan berört av olin och supercat men tydligen ignoreras av andra är att avrundningen introducerar en viss oriktighet och eventuellt bias trunkering förutsatt att N i en kraft av två och enbart heltalsräkningar används, växlingen höger eliminerar systematiskt LSB: erna i det nya provet. Det betyder att hur lång serien någonsin kan vara, kommer genomsnittsvärdet aldrig att ta hänsyn till dem. För exempel, anta en långsammare minskande serie 8,8,8 8,7,7,7 7,6,6 och antar att medelvärdet verkligen är 8 i början Fist 7-provet kommer att ge genomsnittet till 7, oavsett filterstyrkan Bara för ett prov Samma berättar för 6 osv. Tänk på motsatsen går serien upp. Medelvärdet kommer att förbli på 7 för alltid tills provet är stort nog för att få det att ändras. Naturligtvis kan du korrigera för bias genom att lägga till 1 2 N 2, men som vann t verkligen lösa precisionsproblemet i så fall kommer den minskande serien att stanna för alltid vid 8 tills provet är 8-1 2 N 2 För N 4 till exempel kommer något prov över noll att hålla medeltalet oförändrat. Jag tror en lösning för Det skulle innebära att man höll en ackumulator av de förlorade LSB: erna men jag gjorde inte det tillräckligt långt för att få kod redo, Och jag är inte säker på att det inte skulle skada IIR-strömmen i några andra fall av serier, till exempel om 7,9,7,9 skulle vara genomsnittliga till 8 då. Olin, din tvåstegskaskad skulle också behöva någon förklaring. Menar du att du håller två genomsnittsvärden med resultatet av den första matas in i den andra i varje iteration Vad är fördelen med detta.
No comments:
Post a Comment